I sistemi keyless permettono di accedere a edifici, veicoli e altri beni senza chiavi fisiche, riconoscendo l'utente con tecnologie come biometria, RFID e app mobili. L'articolo presenta tre esempi: Kisi, controllo accessi in cloud per uffici; Openpath, accesso a mani libere con credenziali mobili e Bluetooth; August Smart Lock, serratura senza chiave per la casa.
Nell'automotive il machine learning aiuta a gestire le flotte di veicoli connessi: gli algoritmi imparano a rilevare gli eventi significativi, monitorano in tempo reale le condizioni dei veicoli per prevedere i guasti prima che si verifichino e stimano la domanda per ottimizzare la distribuzione dei veicoli in sharing. Il risultato sono meno fermi, costi di riparazione più bassi, tempi di attesa più brevi per gli utenti e operazioni più efficienti.
Il machine learning ripaga l'investimento riducendo i costi operativi e di gestione. Automatizza le operazioni manuali, prevede i guasti delle macchine prima che si verifichino, ottimizza i consumi energetici grazie ai dati dei sensori e ai sistemi HVAC intelligenti, e abbassa i costi di trasporto e stoccaggio ottimizzando i percorsi e prevedendo con precisione la domanda.
Nella smart industry il machine learning analizza i dati dei sensori IoT e dei processi produttivi per prevedere la necessità di manutenzione e il rischio di guasto, ottimizzare logistica e supply chain, automatizzare i processi industriali e rendere il controllo qualità più rigoroso e immediato. Invece di affidarsi alla manutenzione periodica, le aziende evitano guasti improvvisi e fermi produttivi, e integrando il machine learning con i Digital Twins possono testare prodotti e servizi in modo efficiente, riducendo gli errori.
L'ottimizzazione dei percorsi con l'IA usa algoritmi di intelligenza artificiale che analizzano dati come modelli di traffico, capacità dei veicoli e programmi di consegna per pianificare le rotte più efficienti. Servizi di consegna, aziende di trasporto pubblico, gestori di flotte e team di assistenza sul campo la usano per ridurre tempi di viaggio e costi del carburante, sfruttare meglio le risorse e aumentare la soddisfazione dei clienti.
Il rilevamento delle anomalie con il machine learning usa modelli che analizzano i dati dei veicoli e della produzione, come letture dei sensori, traffico di rete e dati di guida, per individuare deviazioni che possono segnalare un guasto, un malfunzionamento o una minaccia informatica. Nell'automotive supporta manutenzione predittiva, controllo qualità, cybersecurity e monitoraggio della guida, e tiene sotto controllo motore, pneumatici e batterie prima che piccoli problemi diventino riparazioni costose.
MQTT è un protocollo publish/subscribe leggero, binario e centrato sui dati: a differenza di HTTP, AMQP o REST, invia i messaggi in modalità push su connessioni TCP persistenti, con un overhead minimo per pacchetto. Questo articolo confronta MQTT con quei protocolli e spiega le sue funzionalità avanzate, da Clean Start, Keep Alive e Last Will ai livelli di QoS, ai messaggi memorizzati, alle sottoscrizioni condivise e ai Topic Aliases.
MQTT è un protocollo di messaggistica leggero di tipo publish/subscribe per l'Internet delle cose: i client pubblicano messaggi su topic e un broker centrale li filtra e li inoltra ai client iscritti a quei topic. Richiede pochissima banda, gestisce bene le reti poco affidabili ed è facile da implementare, per questo è una delle scelte principali per la comunicazione tra macchine (M2M) fra dispositivi con risorse limitate e applicazioni server.